摘要
异常检测与定位在工业制造领域被广泛应用，因其具有高效性和有效性。然而，异常样本通常稀少且难以获取，而监督学习模型在仅有少量异常样本的情况下极易过拟合，导致性能不理想。另一方面，异常往往表现细微、难以辨别，且形态多样，这使得异常检测本身极具挑战，更遑论准确定位异常区域。为解决上述问题，本文提出一种名为原型残差网络（Prototypical Residual Network, PRN）的框架，该框架通过学习异常模式与正常模式之间在不同尺度和尺寸下的特征残差，实现对异常区域分割图的精确重建。PRN主要由两部分构成：多尺度原型（multi-scale prototypes），用于显式表征异常相对于正常模式的残差特征；以及多尺寸自注意力机制（multisize self-attention mechanism），支持对不同尺寸异常特征的学习。此外，本文还提出多种异常生成策略，综合考虑已见与未见的外观变化，以扩充并多样化异常样本。在具有挑战性且广泛应用的MVTec AD基准数据集上进行的大量实验表明，PRN在无监督与监督方法中均显著优于当前最先进的技术。进一步地，我们在三个额外数据集上也取得了最先进（SOTA）的性能，充分验证了PRN的有效性与泛化能力。